Previsão (sem servidor) com AutoML

Importante

Esse recurso está em Visualização Pública.

Este artigo mostra como executar um experimento de previsão sem servidor usando a interface de usuário do Treinamento de Modelos do Databricks.

Treinamento de modelo do Databricks – a previsão simplifica a previsão de dados de série temporal selecionando automaticamente o melhor algoritmo e hiperparâmetros, tudo isso durante a execução em recursos de computação totalmente gerenciados.

Para entender a diferença entre a previsão sem servidor e a previsão de computação clássica, consulte previsão sem servidor versus previsão de computação clássica.

Requisitos

• Dados de treinamento com uma coluna de série temporal, salva como uma tabela do Unity Catalog.

• Se o workspace tiver o controle de saída sem servidor habilitado, pypi.org deverá ser adicionado à lista de domínios permitidos . Consulte Gerenciar políticas de rede para controle de saída sem servidor.

Criar um experimento de previsão com a interface do usuário

Vá para a página inicial do Azure Databricks e clique em Experimentos na barra lateral.

1. No bloco Previsão , selecione Iniciar treinamento.

2. Selecione os dados de treinamento em uma lista de tabelas do Catálogo do Unity que você pode acessar.

   • Coluna de tempo: selecione a coluna que contém os períodos de tempo da série temporal. As colunas devem ser do tipo timestamp ou date.
   • Frequência de previsão: selecione a unidade de tempo que representa a frequência dos dados de entrada. Por exemplo, minutos, horas, dias, meses. Isso determina a granularidade de sua série temporal.
   • Horizonte de previsão: especifique quantas unidades da frequência selecionada devem ser previstas para o futuro. Junto com a frequência de previsão, isso define as unidades de tempo e o número de unidades de tempo a serem previstas.

   Observação

   Para usar o algoritmo AUTO-ARIMA , a série temporal deve ter uma frequência regular em que o intervalo entre dois pontos deve ser o mesmo ao longo da série temporal. O AutoML manipula as etapas de tempo ausentes preenchendo esses valores com o valor anterior.

3. Selecione uma coluna alvo de previsão que você deseja que o modelo preveja.

4. Especifique, opcionalmente, um caminho de dados de previsão na tabela do Catálogo do Unity para armazenar as previsões de saída.

   

5. Selecione um local e um nome de registro de modelo do Catálogo do Unity.

6. Opcionalmente, defina opções avançadas:

   • Nome do experimento: forneça um nome de experimento do MLflow.
   • Colunas do identificador de série temporal – para previsão de várias séries, selecione as colunas que identificam a série temporal individual. O Databricks agrupa os dados por essas colunas como séries temporais diferentes e treina um modelo para cada série de forma independente.
   • Métrica primária: escolha a métrica primária usada para avaliar e selecionar o melhor modelo.
   • Estrutura de treinamento: escolha as estruturas para o AutoML explorar.
   • Dividir coluna: selecione a coluna que contém a divisão de dados personalizada. Os valores devem ser "treinar", "validar", "testar"
   • Coluna de peso: especifique a coluna a ser usada para a ponderação de séries temporais. Todos os exemplos de uma determinada série temporal devem ter o mesmo peso. O peso deve estar no intervalo [0, 10000].
   • Região de férias: selecione a região de férias a ser usada como covariada no treinamento de modelo.
   • Tempo limite: defina uma duração máxima para o experimento AutoML.

Execute o experimento e monitore os resultados

Para iniciar o experimento autoML, clique em Iniciar o treinamento. Na página de treinamento do experimento, você pode fazer o seguinte:

• Pare o experimento a qualquer momento.
• Monitorar execuções.
• Navegue até a página de execução para qualquer execução.

Além disso, você pode verificar o status do experimento conforme ele passa pelos seguintes estágios:

1. Pré-processamento: Valide e prepare a tabela de entrada imputando valores ausentes e dividindo dados em conjuntos de treinamento, validação e teste. O processamento automático de geração de características, como a codificação binária para características categóricas, também é realizada durante esse estágio.
2. Ajuste: Explore diferentes algoritmos de previsão e ajuste os hiperparâmetros.
3. Formação: Treine e avalie o modelo final com as melhores configurações selecionadas. Registre o modelo no Catálogo do Unity se um caminho for especificado.

Exibir resultados ou usar o melhor modelo

Após a conclusão do treinamento, os resultados da previsão são armazenados na tabela Delta especificada e o melhor modelo é registrado no Catálogo do Unity.

Na página de experimentos, você escolhe entre as seguintes etapas:

• Selecione Exibir previsões para ver a tabela de resultados de previsão.
• Selecione o notebook de inferência em lote para abrir um notebook automaticamente gerado para inferência em lote usando o melhor modelo.
• Selecione Criar ponto de serviço para implantar o melhor modelo em um ponto de serviço de Model Serving.

Previsão sem servidor versus previsão de computação clássica

A tabela a seguir resume as diferenças entre previsão sem servidor e previsão com computação clássica

Característica	Previsão sem servidor	Previsão de computação clássica
Infraestrutura de computação	O Azure Databricks gerencia a configuração de computação e otimiza automaticamente o custo e o desempenho.	Computação configurada pelo usuário
Governança	Modelos e artefatos registrados no Catálogo do Unity	Repositório de arquivos de workspace configurado pelo usuário
Escolha do algoritmo	Modelos estatísticos mais o algoritmo de rede neural de aprendizado profundo DeepAR	Modelos estatísticos
Integração do Feature Store	Sem suporte	Suportado
Notebooks gerados automaticamente	Caderno de inferência em lote	Código-fonte para todas as avaliações
Implantação de serviço de modelo de um clique	Suportado	Sem suporte
Divisões de treinamento/validação/teste personalizadas	Suportado	Sem suporte
Pesos personalizados para séries temporais individuais	Suportado	Sem suporte